【技术实现步骤摘要】
本专利技术涉及电力系统非线性特征分析，尤其涉及基于koopman深度神经网络的非线性振荡分析方法。
技术介绍
1、随着大规模新能源发电、高压直流输电、大功率直流负荷的快速发展，电力系统“源–网–荷”各部分电力电子化程度逐年提高，使得系统呈现强非线性特性，从而对电力系统非线性振荡特征进行有效地分析愈加困难。
2、由于电力系统非线性振荡特征分析的难度极高，当前精准实用的分析工具仍然不多，主要包括正规形法、模态级数法和降维carleman嵌入法。其中，正规形法和模态级数法均需要经过较为复杂的高维非线性变换，运算困难且耗时较长；降维carleman嵌入法存在因变量阶次增高导致的模型维数“灾难化”问题，计算量增大的同时严重影响高阶模态分析。
技术实现思路
1、为解决上述问题，本专利技术提供一种基于koopman深度神经网络的非线性振荡分析方法，旨在简化电力系统非线性振荡特征分析过程的同时保持较高的精度，实现任意时间步下和的时序轨迹高精度预测，准确辨识系统模式，描述电力系统非线性振荡特征。
2、为实现上述目的，本专利技术提供了基于koopman深度神经网络的非线性振荡分析方法，包括以下步骤：
3、s1、仿真设置电力系统故障场景，获取发电机转子角和电角速度的时序数据样本并制成数据集；
4、s2、将数据集划分为训练集和测试集，并进行数据预处理；
5、s3、构建内嵌koopman算符的深度神经网络模型；
6、s4、将经步骤s2预
7、s5、测试与调整内嵌koopman算符的深度神经网络模型；
8、s6、保存满足设定精度要求的内嵌koopman算符的深度神经网络模型，并向内嵌koopman算符的深度神经网络模型中输入初始发电机转子角和电角速度，实现任意时间步下发电机转子角和电角速度的时序轨迹预测；
9、s7、从步骤s6中保存的内嵌koopman算符的深度神经网络模型中提取koopman算符，计算的模式与模态，实现电力系统非线性振荡特征分析。
10、优选的，步骤s1具体包括以下步骤：
11、s11、仿真设置电力系统发生三相短路故障场景，确定时间步长，计算极限切除时间，设置故障清除时间，其中，通过改变的值，获取故障清除后发电机转子角和电角速度的时序数据样本；
12、s12、将获取的和数据样本制成数据集：
13、（1）
14、式中，表示数据集中的第个样本；表示与对应的第个目标样本；表示样本总数。
15、其中，和中均包括和的时序数据，具体表示为：
16、（2）
17、（3）
18、式中，和分别表示第个样本下，第个时间步所对应的和；和分别表示第个样本下，第个时间步所对应的和。
19、优选的，步骤s2具体包括以下步骤：
20、s21、将数据集划分为训练集和测试集；
21、s22、计算训练集样本的均值和方差，对训练集样本进行标准化处理，再取相同的均值和方差，对测试集样本进行标准化处理，计算公式为：
22、 （4）
23、式中，表示数据样本的均值；表示数据样本的方差；和分别表示标准化处理前后的数据样本。
24、优选的，步骤s3具体包括以下步骤：
25、s31、确定深度神经网络模型的基础结构、网络层数、每层神经元数目，获得深度神经网络模型；
26、s32、确定koopman算符阶数，获得koopman算符；
27、s33、将由步骤s32获得的koopman算符内嵌入步骤s31获得的深度神经网络模型中，获得内嵌koopman算符的深度神经网络模型；
28、s34、确定内嵌koopman算符的深度神经网络模型的激活函数、优化器和损失函数。
29、优选的，步骤s31中所述的深度神经网络模型共有10层，其中前5层构成网络一，其包括1个输入层、1个输出层和3个隐藏层，输入层设置有2个神经元，输出层设置有64个神经元，3个隐藏层均设置有256个神经元；后5层构成网络二，其结构与网络一相同，网络二的输入层设置有64个神经元，网络二的输出层设置有2个神经元，网络二的3个隐藏层均设置有256个神经元；
30、步骤s32中所述的koopman算符为一方阵，设置的阶数为64，将内嵌于网络一和网络二之间，用以连接网络一和网络二，算符具体结构为：
31、（5）
32、式中，表示的阶数；表示中第行第列所对应的元素；
33、步骤s34所述的激活函数选用relu函数，优化器选用adam，损失函数表示为：
34、（6）
35、式中，表示第个时间步网络一的输入；表示第个时间步网络一的输入；表示koopman算符；和分别表示网络一和网络二拟合的非线性函数；、和为对应项的权重系数。
36、优选的，步骤s4中每层网络输出和参数更新公式为：
37、 （7）
38、（8）
39、式中，表示第层的输出；表示第层的输出；为层和层之间的权重，为更新后层和层之间的权重，为更新后层和层之间的偏置；为层和层之间的偏置；为激活函数；表示学习率；和分别是损失函数训练过程中，权重和偏置梯度累积量的偏差修正；和分别是权重和偏置梯度累积量平方的偏差修正；为平滑项。
40、优选的，步骤s5具体包括以下步骤：
41、s51、将经步骤s2预处理后的测试集输入到由步骤s4训练好的内嵌koopman算符的深度神经网络模型中，得到预测的发电机转子角和电角速度；
42、s52、判断内嵌koopman算符的深度神经网络模型是否满足设定精度要求，若不满足则调整内嵌koopman算符的深度神经网络模型超参数后返回步骤s4进行训练，直到内嵌koopman算符的深度神经网络模型满足设定精度要求。
43、优选的，在步骤s52中采用均方根误差和平均绝对误差作为精度评价指标，判断内嵌koopman算符的深度神经网络模型是否满足设定精度要求；
44、其中均方根误差rmse和平均绝对误差mae的计算公式分别为：
45、（9）
46、（10）
47、式中，表示真实值，表示预测值。
48、优选的，步骤s6具体包括以下步骤：
49、保存满足设定精度要求的内嵌koopman算符的深度神经网络模型，并向内嵌koopman算符的深度神经网络模型中输入初始发电机转子角和电角速度，预测下一时间步数据发电机转子角和电角速度，再将和重新输入内嵌koopman算符的深度神经网络模型，得到和，重复进行上述操作，直至实现任意时间步下和本文档来自技高网...
【技术保护点】
1.基于KOOPMAN深度神经网络的非线性振荡分析方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于KOOPMAN深度神经网络的非线性振荡分析方法，其特征在于：步骤S1具体包括以下步骤：
3.根据权利要求1所述的基于KOOPMAN深度神经网络的非线性振荡分析方法，其特征在于：步骤S2具体包括以下步骤：
4.根据权利要求1所述的基于KOOPMAN深度神经网络的非线性振荡分析方法，其特征在于：步骤S3具体包括以下步骤：
5.根据权利要求4所述的基于KOOPMAN深度神经网络的非线性振荡分析方法，其特征在于：步骤S31中所述的深度神经网络模型共有10层，其中前5层构成网络一，其包括1个输入层、1个输出层和3个隐藏层，输入层设置有2个神经元，输出层设置有64个神经元，3个隐藏层均设置有256个神经元；后5层构成网络二，其结构与网络一相同，网络二的输入层设置有64个神经元，网络二的输出层设置有2个神经元，网络二的3个隐藏层均设置有256个神经元；
6.根据权利要求5所述的基于KOOPMAN深度神经网络的非线性振荡分析方
7.根据权利要求1所述的基于KOOPMAN深度神经网络的非线性振荡分析方法，其特征在于：步骤S5具体包括以下步骤：
8.根据权利要求7所述的基于KOOPMAN深度神经网络的非线性振荡分析方法，其特征在于：在步骤S52中采用均方根误差和平均绝对误差作为精度评价指标，判断内嵌KOOPMAN算符的深度神经网络模型是否满足设定精度要求；
9.根据权利要求1所述的基于KOOPMAN深度神经网络的非线性振荡分析方法，其特征在于：步骤S6具体包括以下步骤：
10.根据权利要求1所述的基于KOOPMAN深度神经网络的非线性振荡分析方法，其特征在于：在步骤S7中通过计算的模式与模态，并筛选主导模式，实现电力系统非线性振荡特征分析。
...【技术特征摘要】
1.基于koopman深度神经网络的非线性振荡分析方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于koopman深度神经网络的非线性振荡分析方法，其特征在于：步骤s1具体包括以下步骤：
3.根据权利要求1所述的基于koopman深度神经网络的非线性振荡分析方法，其特征在于：步骤s2具体包括以下步骤：
4.根据权利要求1所述的基于koopman深度神经网络的非线性振荡分析方法，其特征在于：步骤s3具体包括以下步骤：
5.根据权利要求4所述的基于koopman深度神经网络的非线性振荡分析方法，其特征在于：步骤s31中所述的深度神经网络模型共有10层，其中前5层构成网络一，其包括1个输入层、1个输出层和3个隐藏层，输入层设置有2个神经元，输出层设置有64个神经元，3个隐藏层均设置有256个神经元；后5层构成网络二，其结构与网络一相同，网络二的输入层设置有64个神经元，网络二的输出层设置有2个神...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。